目的：教師なし機械学習に基づいて視野 (VF) 損失のパターンを識別し、急速な進行に関連するパターンを識別します。

デザイン：横断的および縦断的研究。

参加者：176 人の高眼圧治療研究 (OHTS) 参加者の 205 の目からの合計 2231 の異常な VF が、約 16 年間にわたって追跡されました。

メソッド：視野は、教師なしの深い原型分析アルゴリズムと OHTS 認定の VF リーダーによって評価され、VF 喪失の一般的なパターンを特定しました。緑内障損傷の機械で特定されたパターンは、2003 年に OHTS で以前に特定された (専門家が特定した) パターンと比較されました。各眼の縦方向の VF に基づいて、急速な緑内障の進行と強く関連する VF 損失パターンが特定されました。

主な結果の測定：機械と専門家の対応と、急速な進行に関連する VF 損失のパターンのタイプ。

結果：緑内障への転換時の平均 VF 平均偏差 (MD) は -2.7 デシベル (dB) (標準偏差 [SD] = 2.4 dB) でしたが、最後の訪問時の眼の平均 MD は -5.2 dB (SD = 5.5 dB) でした。）205 眼中 50 眼の MD 率が -1 dB/年以下であり、急速な進行者と見なされました。VF 損失の 18 のマシンで識別されたパターンは、VF 損失の 13 のパターンが類似していた専門家によって識別されたパターンと比較されました。専門家が特定した最も一般的なパターンには、部分弓状、中心傍、および鼻のステップ欠陥が含まれ、最も一般的な機械で特定されたパターンには、側頭楔状、部分弓状、鼻ステップ、および中心傍の VF 欠陥が含まれていました。

結論：自動化された機械学習システムは、VF 損失のパターンを特定でき、緑内障患者の視覚障害の初期兆候と急速な進行を特徴付けるための客観的で再現可能な命名法を提供できます。